大模型成私人导游，一键规划Citywalk，港大MIT联合出品

ITINERA团队 投稿
量子位 | 公众号 QbitAI

现在，大模型可以做私人导游，为你 规划Citywalk路线 了—— 港大MIT等单位联合推出 ITINERA ，将LLM与空间优化相结合，实现个性化的 开放域城市行程规划 。 举个栗子 ，用户输入“给我规划一条包含‘巨富长’、以静安寺为终点的citywalk路线”。

ITINERA系统立马生成了一条包含若干地点的路线，并提供了相应的介绍文本。

甚至“适合情侣一起去的酒吧”“二次元圣地”“途经网红打卡点”这样的个性化需求，ITINERA也可以理解和满足。

单看可能没感觉，咱们直接对比ITINERA（左侧）和 GPT-4 CoT 生成的路线。

同一提示词：“我想要一个文艺的路线，要经过桥和渡轮。”

可以看到， ITINERA生成的行程 会经过苏州河沿岸的几座桥和黄浦江渡轮，在文艺的朵云书店结束，并且路线较为合理，将地点集中在两个空间聚类中。 而右图中GPT选择的POI（个人偏好的兴趣点）则与用户要求的桥和渡轮 不太相符 ，还出现了绕路、POI距离过远的情况。除了这个例子外，GPT有时还会出现幻觉，生成不存在的POI。 概括而言，ITINERA具有 以下特色 ：

• 动态信息：实时更新POI和当前热门活动

• 个性定制：优先考虑个人喜好而非仅考虑热门景点

• 多样约束：灵活应对复杂、多样的用户需求

• 空间智能：结合空间优化算法，确保路线合理高效

ITINERA在 四个城市 的旅行行程数据集（1233条热门城市路线、7578个POI）上进行了训练评估。

结果显示，它可以生成比传统行程规划、直接使用LLM等方法更优的效果。

目前相关论文已被KDD Urban Computing Workshop (UrbComp) 2024收录。

五大模块组成ITINERA

下一个问题来了：咋做到的呢？

如下图所示，ITINERA由 大模型驱动的 五个模块 组成。

首先， User-owned POI Database Construction （UPC） 模块从社交平台上的旅游内容中收集、构建 用户兴趣点数据库 。 为了规划符合用户请求的行程，Request Decomposition （RD） 模块对用户的偏好进行解读和整理，转换为结构化的数据形式。 Preference-aware POI Retrieval （PPR） 模块将会根据用户偏好进行检索，获取最相关的若干个兴趣点。 为了确保行程在空间上连贯，作者采用了Cluster-aware Spatial Optimization （CSO） 模块，通过解决分层旅行商问题来空间过滤和排列检索的兴趣点。 最后，Itinerary Generation （IG） 模块将候选兴趣点集与多个约束相结合，使用大模型生成既空间合理又符合用户请求的旅行路线及相关描述。

原理摸清了，ITINERA实际表现如何呢?

为了搞清这个问题，作者收集了来自四个城市的旅行行程数据集，包括用户请求、相应的城市行程路线以及详细的兴趣点（POI）数据。

通过POI的召回率（RR）、总路程与理论最短路径的差值（AM）、路线中的交叉点个数（OL）、未知POI比例（FR）等客观指标，评测 个性化推荐POI的准确度 、 与用户请求的匹配度 ，以及 生成路线的空间合理度 。 甚至为了解决兴趣点吸引力、用户请求匹配度等方面 无法量化 的问题，作者还采用了LLM自动评估POI的质量、路线的质量、行程和用户请求的匹配程度。 可以看到，与GPT-3.5、GPT-4和GPT-4 CoT等其他方法相比， ITINERA系统在所有指标上 均表现更好 。

在 用户和专家评估 的POI质量（POI Quality）、行程质量（Itinerary Quality）和匹配度（Match）方面，ITINERA系统也获得了更高的评分。

总体来说 ，ITINERA能够从自然语言请求直接生成个性化、空间连贯的citywalk行程，不仅探究了大模型时代的开放域行程规划问题，还提供了在城市应用中利用大模型解决复杂空间相关问题的思路。

更多方法细节和实验结果，欢迎阅读原文了解。

论文：
https://arxiv.org/abs/2402.07204 — 完 —
投稿请发邮件到： [email protected]

标题注明【投稿】，告诉我们：

你是谁，从哪来，投稿内容 ‍

附上论文/项目主页链接，以及联系方式哦

我们会（尽量）及时回复你

点这里 👇 关注我，记得标星哦～ 一键三连「分享」、「点赞」和「在看」 科技前沿进展日日相见 ~

甚至“适合情侣一起去的酒吧”“二次元圣地”“途经网红打卡点”这样的个性化需求，ITINERA也可以理解和满足。